Учебное пособие Санкт- петербург 2010 удк 778. 5 Нестерова Е. И, Кулаков А. К., Луговой Г. М., Якимович В. С

Вид материала

Учебное пособие

Содержание 2.4.Электронный обмен нормативными документами Современная система электронного документооборота должна быть 3.Компьютерные технологии в метрологии 3.1.Обработка результатов измерения 3.2. Измерительное программирование 3.2.1.Программное обеспечение для измерения шероховатости

Подобный материал:

• Учебное пособие Санкт-Петербург 2011 удк 621. 38. 049. 77(075) Поляков, 643.33kb.
• Учебное пособие санкт Петербург 2010 удк 001. 8 Ббк, 1217.72kb.
• Учебное пособие Санкт-Петербург 2009 удк 802., 485.15kb.
• Учебное пособие Санкт-Петербург 2005 удк 662. 61. 9: 621. 892: 663. 63 Ббк г214(я7), 546.15kb.
• Учебное пособие Санкт-Петербург 2007 удк алексеева С. Ф., Большаков В. И. Информационные, 1372.56kb.
• Учебное пособие Санкт-Петербург 2011 удк 1(075., 3433.28kb.
• Учебное пособие санкт-петербург 2005 удк 339. 9 (075. 80) Ббк, 703.64kb.
• Учебное пособие Санкт-Петербург 2000 удк 681, 344.56kb.
• Учебное пособие для студентов среднего профессионального образования специальности, 2287.59kb.
• Учебное пособие Санкт-Петербург 2004 удк рецензент: доцент кафедры экономики и управления, 1396.44kb.

2.4.Электронный обмен нормативными документами

В 2008 году приказом Федерального агентства по техническому регулированию и метрологии» в структуре технического комитета по стандартизации ТК 459 «Информационная поддержка жизненного цикла изделий» на базе ООО «Электронные офисные системы (проектирование и внедрение)» создан подкомитет по стандартизации «Жизненный цикл электронного документооборота».

Платформа, на которой разработана система электронного документооборота [5] - важный аспект, влияющий на функциональность системы электронного документооборота (СЭД). При выборе платформы целесообразно использовать наработки, имеющиеся в организации. Это, во-первых, поможет пользователям быстрее научиться работе в СЭД, а во-вторых, облегчить этот процесс персоналу, который в дальнейшем будет поддерживать систему. Разработка новой системы целесообразна, если к ней предъявляются повышенные требования (по надежности, количеству хранимых документов и одновременно работающих пользователей).

Сейчас на российском рынке систем присутствуют как западные, так и отечественные компании-разработчики СЭД. В больших корпорациях-клиентах со смешанным капиталом чаще всего выбор будет сделан в пользу иностранной компании-разработчика. Но для российского предпринимателя лучше иметь дело с отечественной разработкой, в которой учитываются особенности работы с документами, принятые на территории нашей страны.

Современная система электронного документооборота должна быть:

• гибкой (работать как в локальной сети, так и иметь возможность подключения удаленных рабочих мест через Интернет);

• настраиваемой (если у вас изменился порядок обработки документов, то перенастройка в соответствии с новой формой системы не должна занимать много времени);
  
• функционально полной (работать с разными видами и контурами документооборота);
  
• работающей с различными программно-аппаратными платформами и операционными системами.
  
• совместимой с уже используемыми системами. 
  

2.5.Стандарты ЕСКД и ЕСТПП на электронные версии документов

Результатом адаптации стандартов ЕСКД к условиям выполнения конструкторской документации в электронной форме стала совокупность стандартов, принятых в 2006 году, среди которых необходимо назвать:

 • ГОСТ 2.051-2006 ЕСКД. Электронные документы. Общие положения;
 • ГОСТ 2.052-2006 ЕСКД. Электронная модель изделия. Общие положения;
 • ГОСТ 2.053-2006 ЕСКД. Электронная структура изделия. Общие положения;
 • ГОСТ 2.610-2006 ЕСКД. Правила выполнения эксплуатационных документов.

Перечисленные документы обеспечивают равноправность статусов представления конструкторских документов в традиционной бумажной и электронной форме, а также возможность их преобразования друг в друга. Новыми видами конструкторской документации, предусматриваемыми данными стандартами, являются:

 • электронная модель детали;
 • электронная модель сборочной единицы;
 • электронная структура изделия;
 • ведомость электронных документов.


3.Компьютерные технологии в метрологии


Поскольку получение, обработка, анализ, преобразование, хранение, передача информации в современной метрологии занимают основное место, сама по себе метрология является информационной метрологией, а технологии, на которых основаны ее методы и модели – являются информационно- измерительными технологиями.

На рис.4 приведены наиболее важные метрологические процедуры, проведение которых невозможно без соответствующих компьютерных технологий:

- обработка и анализ результатов измерений, наиболее распространенными программами в настоящее время являются пакеты Statistica, SPSS и т.п.;

- программное обеспечение современных измерительных приборов различного функционального назначения: профилометра- профилографа, металлографического и измерительного микроскопов, мультисенсорных координатно- измерительных машин, спектрофотоколориметров и др.;

- формирование информационно- измерительных систем различного функционального назначения и различной сложности (АИС, ГИС, КИС);

-разработка виртуальных приборы (LabVIEW, Lookout,BridgeVIEW), заменяющих контрольно- диагностические комплексы средств измерения, в частности, для технического обслуживания и ремонта киновидеотехники;

- разработка программных средств для визуализации результатов измерения и др.




Рис. 4. Основные области использования компьютерных технологий в метрологии

3.1.Обработка результатов измерения

Пакет программ SPSS (расшифровывается как Statistical Package for Social Science [6] является наиболее распространенным, инструментом статистического анализа. Программа SPSS предоставляет пользователю широкие возможности по статистической обработке эмпирических данных, по представлению результатов статистической обработки в текстовой, табличной и графической формах (диаграммы, гистограммы и т.п.).

Основу программы SPSS составляет SPSS Base (базовый модуль), предоставляющий разнообразные возможности доступа к данным и управления данными. Он содержит методы анализа, которые применяются чаще всего.

Традиционно вместе с SPSS Base (базовым модулем) поставляются ещё два модуля: Advanced Models (продвинутые модели) и Regression Models (регрессионные модели). Наряду с тремя упомянутыми, существует еще ряд специальных дополнительных модулей и самостоятельных программ, число которых постоянно растёт, так что пользователям следует постоянно знакомиться с информацией о нововведениях в SPSS.

SPSS Base включает все процедуры ввода, отбора и корректировки данных, а также большинство предлагаемых в SPSS статистических методов. Наряду с простыми методиками статистического анализа, такими как частотный анализ, расчет статистических характеристик, таблиц сопряженности, корреляций, построения графиков, этот модуль включает усложненные методы, такие как многомерный линейный регрессионный анализ, дискриминантный анализ, факторный анализ, кластерный анализ, дисперсионный анализ, и многомерное шкалирование.

Regression Models включает методы регрессионного анализа, такие как: бинарная и мультиномиальная логистическая регрессия, нелинейная регрессия и пробит-анализ.

В Advanced Models входят методы дисперсионного анализа (многомерный, с учетом повторных измерений), общая линейная модель и др.

Модуль Tables служит для создания презентационных таблиц.

В настоящее время доступны 11, 12,13 версии этой программы, для обучения можно использовать любую версию электронного учебника.

Обработка экспериментальных данных может проводиться также в среде MathCad. В этом случае пользователю предоставляется:

- большое количество встроенных специальных функций, позволяющих рассчитывать плотности вероятности и другие основные характеристики основных законов распределения случайных величин;

- запрограммировано соответствующее количество генераторов псевдослучайных чисел для каждого закона распределения, что позволяет эффективно проводить моделирование методами Монте-Карло;

- предусмотрена возможность построения гистограмм и расчета статистических характеристик выборок случайных чисел и случайных процессов, таких как средние, дисперсии, корреляции и т. п., при этом случайные последовательности могут как создаваться генераторами случайных чисел, так и вводиться из файлов;

- ряд средств, направленных на интерполяцию-экстраполяцию данных, построение регрессии по методу наименьших квадратов, фильтрацию сигналов;

- ряд численных алгоритмов, осуществляющих расчет различных интегральных преобразований, что позволяет организовать спектральный анализ различного типа.

Наиболее полным пакетом для статистического анализа является STATISTICA, позволяющая решать разнообразные задачи в области анализа и обработки данных [7,8].

К наиболее востребованным модулям пакета STATISTICA при решении задач технического регулирования следует отнести:


Элементарные понятия cтатистики

 Описательные статистики

• "Истинное" среднее и доверительный интервал
  
• Форма распределения; нормальность
  

 Корреляции

• Определение корреляции
  
• Простая линейная корреляция (Пирсона r)
  
• Как интерпретировать значения корреляций
  
• Значимость корреляций
  
• Выбросы
  
• Количественный подход к выбросам
  
• Корреляции в неоднородных группах
  
• Нелинейные зависимости между переменными
  
• Измерение нелинейных зависимостей
  
• Разведочный анализ корреляционных матриц
  
• Построчное удаление пропущенных данных в сравнении с попарным удалением
  
• Как определить смещения, вызванные попарным удалением пропущенных данных
  
• Попарное удаление пропущенных данных в сравнении с подстановкой среднего значения
  
• Ложные корреляции
  
• Являются ли коэффициенты корреляции "аддитивными"?
  
• Как определить, являются ли два коэффициента корреляции значимо различными
  

 t-критерий для независимых выборок

• Цель, предположения
  
• Расположение данных
  
• Графики t-критериев
  
• Более сложные групповые сравнения
  

 t-критерий для зависимых выборок

• Внутригрупповая вариация
  
• Цель
  
• Предположения
  
• Расположение данных
  
• Матрицы t-критериев
  
• Более сложные групповые сравнения
  

 Внутригрупповые описательные статистики и корреляции (группировка)

• Цель
  
• Расположение данных
  
• Статистические тесты для группированных данных
  
• Другие близкие методы анализа данных
  
• Апостериорные сравнения средних
  
• Группировка в сравнении с дискриминантным анализом
  
• Группировка в сравнении c таблицами частот
  
• Графическое представление группировки
  

 Таблицы частот

• Цель
  
• Приложения
  

 Таблицы сопряженности и таблицы флагов и заголовков

• Цель и расположение данных
  
• Таблицы 2x2
  
• Маргинальные частоты
  
• Проценты по столбцам, по строкам и проценты от общего числа наблюдений
  
• Графическое представление таблиц сопряженности
  
• Таблицы флагов и заголовков
  
• Интерпретация таблиц заголовков
  
• Многовходовые таблицы с категориальными переменными
  
• Графическое представление многовходовых таблиц
  
• Статистики таблиц сопряженности
  
• Многомерные отклики и дихотомии
  

Анализ производственных процессов

• Выборочные планы
  

• Основное назначение
  
• Методы вычислений
  
• Средние для гипотез Н0 и Н1
  
• Вероятности ошибок альфа и бета
  
• Планы с фиксированным объемом выборки
  
• Последовательные выборочные планы
  
• Выводы
  

• Анализ пригодности процессов
  

• Введение
  
• Методы вычислений
  
• Индексы (показатели) пригодности
  
• Качество и пригодность процесса
  
• Использование экспериментов для повышения пригодности
  
• Проверка предположения о нормальности распределения
  
• Доверительные границы
  

• Повторяемость и воспроизводимость измерений
  

• Введение
  
• Методы вычислений
  
• Графики повторяемости и воспроизводимости
  
• Компоненты дисперсии
  
• Выводы
  

• Негауссовские распределения
  

• Введение
  
• Подгонка методом моментов
  
• Качество подгонки: графики квантилей и вероятностей
  
• Негауссовские индексы пригодности (метод процентилей)
  

• Анализ Вейбулла, надежность и времена отказов
  

• Основные задачи
  
• Распределение Вейбулла
  
• Цензурированные наблюдения
  
• Двух- и трехпараметрическое распределение Вейбулла
  
• Оценка параметров
  
• Критерии согласия
  
• Интерпретация результатов
  
• Группированные данные
  
• Изменения порядка времен отказов для многократно цензурированных данных
  

Анализ временных рядов

• Общее введение
  
• Две основные цели
  
• Идентификация модели временных рядов
  

• Систематическая составляющая и случайный шум
  
• Два общих типа компонент временных рядов
  
• Анализ тренда
  
• Анализ сезонности
  

• АРПСС (Бокс и Дженкинс) и автокорреляции
  

• Общее введение
  
• Два основных процесса
  
• Модель АРПСС
  
• Идентификация
  
• Оценивание параметров
  
• Оценивание модели
  

• Прерванные временные ряды
  

• Экспоненциальное сглаживание
  

• Общее введение
  
• Простое экспоненциальное сглаживание
  
• Выбор лучшего значения параметра a (альфа)
  
• Индексы качества подгонки
  
• Сезонная и несезонная модели с трендом или без тренда
  

• Сезонная декомпозиция (метод Census I)
  

• Общее введение
  
• Вычисления
  

• Сезонная корректировка X-11 (метод Census II)
  

• Сезонная корректировка: основные идеи и термины
  
• Метод Census II
  
• Таблицы результатов корректировки X-11
  
• Подробное описание всех таблиц результатов, вычисляемых в методе X-11
  

• Анализ распределенных лагов
  

• Общая цель
  
• Общая модель
  
• Распределенный лаг Алмона
  

• Одномерный анализ Фурье
  
• Кросс-спектральный анализ
  

• Общее введение
  
• Основные понятия и принципы
  
• Результаты для каждой переменной
  
• Кросс-периодограмма, кросс-плотность, квадратурная плотность и кросс-амплитуда
  
• Квадрат когерентности, усиление и фазовый сдвиг
  
• Как создавались данные для примера
  

• Спектральный анализ - Основные понятия и принципы
  

• Частота и период
  
• Общая структура модели
  
• Простой пример
  
• Периодограмма
  
• Проблема рассеяния
  
• Добавление констант во временной ряд (пэддинг)
  
• Косинус-сглаживание
  
• Окна данных и оценки спектральной плотности
  
• Подготовка данных к анализу
  
• Результаты для случая, когда в ряде отсутствует периодичность
  

• Быстрое преобразование Фурье
  

• Общее введение
  

• Вычисление БПФ во временных рядах Дискриминантный анализ
  

• Основная цель
  
• Вычислительный подход
  
• Пошаговый дискриминантный анализ
  
• Интерпретация функции дискриминации для двух групп
  
• Дискриминантные функции для нескольких групп
  
• Предположения
  
• Классификация
  

Дисперсионный анализ

• Основные идеи
  

• Разбиение суммы квадратов
  
• Многофакторный дисперсионный анализ
  
• Эффекты взаимодействия
  

• Сложные планы
  

• Межгрупповые планы и планы повторных измерений
  
• Неполные (гнездовые) планы
  

• Ковариационный анализ (ANCOVA)
  

• Фиксированные ковариаты
  
• Переменные ковариаты
  

• Многомерные планы: многомерный дисперсионный и ковариационный анализ
  

• Межгрупповые планы
  
• Планы с повторными измерениями
  
• Суммы значений переменной и дисперсионного анализа
  

• Анализ контрастов и апостериорные критерии
  

• Почему сравниваютсяотдельные множества средних?
  
• Анализ контрастов
  
• Апостериорные критерии
  

• Предположения и эффекты их нарушения
  

• Нормальность распределения
  
• Однородность дисперсии
  
• Однородность дисперсии и ковариации
  
• Сферичность и сложная симметрия
  

• Методы дисперсионного анализа
  

Кластерный анализ

• Основная цель
  
• Проверка статистической значимости
  
• Области применения
  
• Объединение (древовидная кластеризация)
  

• Иерархическое дерево
  
• Меры расстояния
  
• Правила объединения или связи
  

• Двувходовое объединение
  

• Вводный обзор
  
• Двувходовое объединение
  

• Метод K средних
  

• Пример
  
• Вычисления
  
• Интерпретация результатов
  

Карты контроля качества

• Основные задачи
  
• Общий подход
  
• Установка контрольных пределов
  
• Наиболее часто используемые типы контрольных карт
  
• Краткие контрольные карты
  

• Краткие карты для переменных
  
• Краткие карты по альтернативному признаку
  

• Многопоточные групповые карты
  
• Неравные объемы выборок
  
• Контрольные карты для переменных и карты по альтернативному признаку
  
• Контрольные карты для отдельных наблюдений
  
• Разладка процесса: критерии серий
  
• Операционные характеристики (ОХ-кривые)
  
• Индексы пригодности процесса
  
• Другие специальные типы контрольных карт
  

Многомерное шкалирование

• Общая цель
  
• Логика многомерного шкалирования
  
• Вычислительные методы
  
• Задание размерности пользователем
  
• Интерпретация осей координат
  
• Приложения
  
• Многомерное шкалирование и факторный анализ
  

Множественная регрессия

• Общее назначение
  
• Вычислительные аспекты
  

• Метод наименьших квадратов
  
• Уравнение регрессии
  
• Однозначный прогноз и частная корреляция
  
• Предсказанные значения и остатки
  
• Остаточная дисперсия и коэффициент детерминации R-квадрат
  
• Интерпретация коэффициента множественной корреляции R
  

• Предположения, ограничения и обсуждение практических вопросов
  

• Предположение линейности
  
• Предположение нормальности
  
• Ограничения
  
• Выбор числа переменных
  
• Мультиколлинеарность и плохая обусловленность матрицы
  
• Подгонка центрированных полиномиальных моделей
  
• Важность анализа остатков
  

Методы добычи данных

• Понятие добычи данных
  
• Хранилища данных
  
• Оперативная аналитическая обработка данных (OLAP)
  
• Разведочный анализ данных (РАД) и методы добычи данных
  

• РАД и проверка гипотез
  
• Вычислительные методы РАД
  
• Графические методы РАД (визуализация данных)
  
• Проверка результатов РАД
  

• Нейронные сети
  

Нейронные сети

• Введение
  
• Параллели из биологии
  
• Базовая искусственная модель
  
• Применение нейронных сетей
  
• Сбор данных для нейронной сети
  
  • Выводы
    
• Пре/пост процессирование
  
• Многослойный персептрон (MLP)
  

• Обучение многослойного персептрона
  
• Алгоритм обратного распространения
  
• Переобучение и обобщение
  
• Отбор данных
  
• Как обучается многослойный персептрон
  
• Другие алгоритмы обучения многослойного персептрона
  

• Радиальная базисная функция
  
• Вероятностная нейронная сеть
  
• Обобщенно-регрессионная нейронная сеть
  
• Линейная сеть
  
• Сеть Кохонена
  
• Решение задач классификации в пакете ST: Neural Networks
  
  • Таблица статистик классификации
    
• Решение задач регрессии в пакете ST: Neural Networks
  
• Прогнозирование временных рядов в пакете ST: Neural Networks
  
• Отбор переменных и понижение размерности
  

Непараметрическая статистика и подгонка распределения

• Основная цель
  
• Краткий обзор непараметрических процедур
  
• Какой метод использовать
  
• Подгонка распределения
  

Планирование эксперимента

• Обзор
  

• Эксперименты в науке и промышленности
  
• Различия в методике
  
• Обзор
  
• Общие идеи
  
• Вычислительные проблемы
  
• Компоненты дисперсии, синтез деноминатора
  
• Выводы
  

• Дробные 2**(k-p) факторные планы
  

• Основная идея
  
• Построение плана
  
• Разрешение плана
  
• Планы Плакетта - Бермана (матрица Адамара) для отсеивания
  
• Усиление разрешения плана методом инверсии
  
• Псевдонимы для взаимодействий: генераторы плана
  
• Разбиение на блоки
  
• Повторение плана
  
• Добавление центральных точек (центроидов)
  
• Анализ результатов эксперимента 2**(k-p)
  
• Графические опции
  
• Выводы
  

• Максимально несмешанные 2**(k-p) планы
  

• Основная идея
  
• Критерий плана
  
• Выводы
  

• Планы 3**(k-p), планы Бокса-Бенкена и смешанные 2-х и 3-х уровневые планы
  

• Обзор
  
• Планирование экспериментов 3**(k-p)
  
• Пример плана 3**(4-1) в 9 блоках
  
• Планы Бокса-Бенкена
  
• Анализ плана 3**(k-p)
  

• Дисперсионный анализ
  
• Графическое представление результатов
  
• Планы для факторов на 2-х и 3-х уровнях
  

• Центральные композиционные планы и нефакторные планы для поверхности отклика
  

• Обзор
  
• Соображения относительно плана
  
• Альфа для ротатабельности и ортогональности
  
• Доступные стандартные планы
  
• Анализ центральных композиционных планов
  
• Подогнанная поверхность отклика
  
• Категоризованные поверхности отклика
  

• Планы на латинских квадратах
  

• Обзор
  
• Планы на латинских квадратах
  
• Анализ плана
  
• Очень большие планы, случайные эффекты, несбалансированные вложения
  

• Методы Тагучи: робастное планирование эксперимента
  

• Обзор
  
• Функции качества и потерь качества
  
• Отношения (С/Ш) сигнал/шум
  
• Ортогональные массивы
  
• Анализ планов
  
• Аккумуляционный анализ
  
• Выводы
  

• Планы для смесей и тернарные поверхности
  

• Обзор
  
• Треугольные координаты
  
• Тернарные поверхности и контуры
  
• Канонический вид полиномов для смесей
  
• Общие модели для смесей
  
• Стандартные планы экспериментов для смесей
  
• Ограничения снизу
  

• Ограничения сверху и снизу
  
• Анализ экспериментов для смесей
  
• Дисперсионный анализ
  
• Оценки параметров
  
• Псевдокомпоненты
  
• Графические опции
  

• Планы для поверхностей и смесей с ограничениями
  

• Обзор
  
• Планы для экспериментальных областей с ограничениями
  
• Линейные ограничения
  
• Алгоритм Пипеля и Сни
  
• Выбор точек эксперимента
  
• Анализ планов для поверхностей и смесей с ограничениями
  

• Построение D- и A-оптимальных планов
  

• Обзор
  
• Основные идеи
  
• Измерение эффективности плана
  
• Построение оптимальных планов
  
• Общие рекомендации
  
• Устранение вырожденности матрицы
  
• “Подправление” планов
  
• Ограниченные экспериментальные области и оптимальный план
  

• Специальные разделы
  

• Создание профиля предсказанного и желательного отклика
  
• Анализ остатков
  
• Преобразование Бокса-Кокса зависимых переменных
  

Перечень модулей пакета представляет собой активные ссылки, которыми можно воспользоваться при чтении данного пособия в электронном виде (при этом, конечно, компьютер должен быть подключен к сети). Однако необходимо иметь в виду, что данный электронный учебник предназначен для обеспечения возможности использования пакета STATISTICA, но для изучения методов и моделей статистики и теории вероятности целесообразны более фундаментальные учебные пособия.


3.2. Измерительное программирование


В настоящее время большое число фирм выпускают программные средства для организации систем сбора измерительных данных и управления измерительным
оборудованием [9] . Под измерительным программированием понимается программирование для измерительной информационной системы, позволяющее проводить измерение, контроль, диагностирование или
распознавание в зависимости от назначения измерительной системы, включая функции сбора, передачи, обработки и представления измерительной информации, а также необходимые для этого функции управления. Традиционная структура языков измерительного программирования основывалась на текстовом представлении, более современным подходом является графическое программирование.

Языки графического программирования подразде-ляются на схематические, основанные на графовом представлении, и иконические, базирующиеся на пространственном расположении пиктограмм. Примерами реализации схематических языков могут служить пакеты LabVIEW, Visual Designer и Wizcon/2, a иконических - пакеты Ш-VISUAL и РТ.

Стандартом нового подхода в измерительном программировании стало графическое программное обеспечение LabVIEW фирмы National Instruments (США). Пакет LabVIEW предназначен для создания измерительных систем и предоставляет программные средства, которые требуются при работе в области систем мониторинга, испытаний и измерений.


3.2.1.Программное обеспечение для измерения шероховатости

П
рограммное обеспечение для измерения шероховатости входит в комплект профилометра- профилографа (рис.5) предназначено для визуального и графического отображения результатов измерений, статистической обработки результатов измерений с помощью высокопроизводительного компьютера через интерфейс с возможностью вывода результатов на печать.


Рис.5. Профилограф-профилометр "Абрис-ПМ7.4"

Обобщенная структура профилографа-профилометра включает: первичный преобразователь со встроенным отсчетным устройством; адаптер питания; системный блок; монитор; клавиатуру; печатающее устройство (рис.6). Программно-аппаратный комплекс на базе IBM-совместимого персонального компьютера, входящего в состав профилографа-профилометра, обеспечивает прием сигналов, их обработку, расчет параметров шероховатости и вывод на экран монитора и печатающее устройство результатов расчета и профилограммы измеренного участка.





Рис. 6. Автоматизированный профилометр-профилограф модели

БВ-7669 [10]

Первичный преобразователь базируется на измеряемую поверхность либо непосредственно основанием, либо с помощью дополнительных приспособлений таким образом, чтобы рабочая поверхность опоры, вершина иглы и рабочая плоскость основания находились в одной плоскости. При этом индикатор на первичном преобразователе должен светиться тем ярче, чем ближе к сбалансированному положению находится измерительный механизм датчика. После этого дается команда на начало измерения нажатием пусковой кнопки. Алмазная игла измерительного механизма при ощупывании неровностей измеряемой поверхности совершает колебательные движения относительно опоры, движущейся по той же поверхности. Эти колебания затем преобразуются в колебания электрического напряжения на выходе первичного преобразователя, пропорциональные колебаниям ощупывающей иглы. Технические характеристики профилометра- профилографа бюджетного класса приведены в Табл.1.

Таблица 1.